非平稳信号稀疏表示的研究发展.docVIP

非平稳信号稀疏表示的研究发展 　　 　　文章编号:1001-9081(2012)01-0272-07 doi:10.3724/SP.J.1087.2012.00272 　　 　　摘 要:信号分解是从信号中获取特征信息的过程，是模式识别、智能系统和故障诊断等诸多领域的基础和关键。非平稳信号往往包含着反映系统变化的重要信息，并且广泛存在，对其研究具有非常重要的理论意义和工程应用价值。以改进信号表示的稀疏性为主线，分析了推动非平稳信号特征提取方法发展的工程背景，详细描述了5类特征提取方法的特性与机理、历史沿革和面临的挑战，比较研究了各种方法的模型，并系统评述了这些模型在信号处理和分析中的最新进展，以及在一些领域中的应用。最后指出了各种方法目前存在的问题和不足，探讨了进一步的研究重点。 　　 　　?关键词:非平稳信号；信号分解；稀疏性；信号表示 　　?中图分类号: TN911.7 文献标志码:A 　　 ? 　　Abstract: Signal decomposition is a process that obtains information from signals and it is a foundational and key technique for many fields such as pattern recognition, intelligent system and machinery fault diagnosis. It is very important to study non-stationary signal decomposition which always includes lots of information that can reflect the changing of the system and widely exists. After improving the sparsity of signal representation, the engineering background of feature extraction for non-stationary signal was studied in this paper, the characteristics, mechanisms, development history and current and future challenges of five types of methods were analyzed in depth, the models of these methods were compared, together with the state-of-the-art of feature extraction models in signal processing and analysis and some successful applications available were systematically reviewed. Finally, several main problems and a few deficiencies were pointed out, and future research directions were anticipated. 　　 Key words: non-stationary signal; signal decomposition; sparsity; signal representation 　　 　　0 引言? 　　一切运动或状态的变化，广义地说都是一种信号，它们传递着关于自然界的各种信息，蕴含着揭示事物本质的各种特征。通常，只要获取这些信号中反应事物本质的特征信息，就能准确认识事物。因此，如何从客观信号中分解出这些特征信息便成为人们最为关心的问题。长期以来Fourier分析一直都是信号分解的主导工具。然而，Fourier变换仅仅是在整体上把信号分解为不同的频率分量，不具备在时间和频率上同时“定位”的功能。如图1（a）所示的对于频率成分正比于时间变化的chirp信号，其Fourier变换后的频谱会散布在整个频率轴上，如图1（b）所示，从该频谱曲线上根本无法看出信号的频率随时间线性增加的特点，此时的Fourier变换用于信号分析几乎没有任何意义。所以，Fourier变换仅适用于周期性信号和统计平稳信号。然而，自然界和工程领域中瞬变、不平稳现象随处可见，如故障监测、语音识别、雷达和声呐信号、生物医学信号和跳频信号以及地球物理勘探信号等，其特点是持续时间有限，并且蕴藏着频率随时间变化的本质特征，单独在时域或频域描述其